人类在生产实践中所遇到的许多复杂问题都可以转化成优化问题。因此设计出高效、准确地求解优化问题的方法对人类的生产实践具有极大的现实意义。传统的数学优化方法往往要求目标函数必须满足连续、可微等。然而,随着人们所遇到的问题越来越复杂,传统的数学优化方法常常难以有效地解决。近年来,人们提出了演化算法来解决工程实践和科学研究中的复杂优化问题。由于演化算法具有自组织、自学习、自适应和内在并行性等优点,受到了许多工程技术和科学研究人员的关注,越来越多的研究人员进入到演化计算的研究领域中来。然而,由于演化算法是一种随机求解问题的启发式方法,它在求解非线性、多峰、高维等复杂优化问题时,容易出现早熟收敛和收敛速度慢的缺点。其主要原因是一方面由于演化算法搜索机制的随机性,在搜索过程中种群容易失去多样性,导致算法陷入局部最优值。另一方面,如果增加种群的多样性会使得选择压力不够,开采能力不足,效率降低。因此演化算法的收敛速度与种群多样性之间是相互制约,相互冲突的。而如何协调收敛速度与种群多样性之间的冲突是演化算法研究中的难题。在很大程度上可以说,在演化算法设计与应用研究中,大部分的研究工作都集中在研究如何协调收敛速度与种群多样性之间的平衡。针对这个问题,本论文以向大自然学习为研究出发点,借鉴生态学中的猎物-捕食者模型来研究如何协调演化算法的收敛速度与种群多样性之间的平衡。本论文的主要内容及创新性工作概括如下：（1）提出了一种猎物-捕食者模型启发的演化算法框架。针对平衡收敛速度与种群多样性之间的冲突这一演化算法研究中的难题,在分析现有猎物-捕食者模型算法的基础上,提出了一种猎物-捕食者模型（PPM）启发的演化算法新框架,该框架的核心思想是向大自然学习,借鉴生态学中的猎物-捕食者模型在提出框架中将种群动态地划分成为猎物子种群和捕食者子种群,并根据当前的演化状态模拟大自然界中猎物和捕食者之间的关系来动态地调整这两个子种群的大小,以此在一定程度上实现演化算法的收敛速度与种群多样性之间的平衡。（2）提出了一种基于猎物-捕食者模型的粒子群优化算法。针对传统粒子群优化算法容易出现收敛速度慢和陷入局部最优值的缺点,在提出的猎物-捕食者模型启发的演化算法新框架的基础上,构造了一种基于猎物-捕食者模型的粒子群优化算法（PPMPSO）。在13个演化优化领域常用的基准测试函数上,通过数值实验分析了几种捕食者算子对PPMPSO算法的影响,然后验证了猎物-捕食者模型在PPMPSO算法中的有效性,并将PPMPSO算法与几种改进的粒子群优化算法进行了比较实验,实验结果表明PPMPSO算法在求解精度、稳定性和收敛速度方面均有一定的优势。（3）提出了一种基于猎物-捕食者模型的差分演化算法。针对传统差分演化算法在求解复杂函数优化问题时往往存在着收敛速度慢和陷入局部最优值的缺点,提出了一种基于猎物-捕食者模型的函数优化差分演化算法（PPMDE）,并在CEC2005的测试问题上与几种改进的差分演化算法进行了比较实验,实验结果表明PPMDE算法在求解精度和收敛速度方面具有一定的优势。此外,还将提出的PPMDE算法框架与两种的改进DE算法：jDE、JADE算法相结合,实验结果表明PPMDE算法的框架能够在一定程度上提高jDE、JADE算法的性能。（4）提出了一种基于猎物-捕食者模型的组合优化算法。针对传统离散差分演化算法在求解0/1背包问题时容易出现收敛速度慢和陷入局部最优值的缺点,提出了一种基于猎物-捕食者模型的组合优化差分演化算法（PPMDDE）用于求解0/1背包问题,详细论述了提出的PPMDDE算法中各个算子的详细实现,并在一系列的测试问题上将PPMDDE算法与已有的组合优化算法进行了比较实验,实验结果验证了PPMDDE算法的有效性。